CN110442618A - 融合专家信息关联关系的卷积神经网络评审专家推荐方法 - Google Patents
融合专家信息关联关系的卷积神经网络评审专家推荐方法 Download PDFInfo
- Publication number
- CN110442618A CN110442618A CN201910677191.8A CN201910677191A CN110442618A CN 110442618 A CN110442618 A CN 110442618A CN 201910677191 A CN201910677191 A CN 201910677191A CN 110442618 A CN110442618 A CN 110442618A
- Authority
- CN
- China
- Prior art keywords
- expert
- info
- incidence relation
- vector
- neural networks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000000547 structure data Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及融合专家信息关联关系的卷积神经网络评审专家推荐方法，属于数据处理技术领域。本发明通过构造多名专家信息之间的关联关系矩阵，并与已经转化为向量的专家信息向量拼接成为专家相关性矩阵，最后通过卷积神经网络构建融合专家关联关系的评审专家推荐模型。通过项目与专家之间的得分关系，从而训练出来专家推荐模型。实验结果表明本发明提出的专家推荐模型在实际任务中取得了较好的效果，相较于不考虑专家关系的方法在推荐效果上有一定的提升。
Description
技术领域
本发明涉及融合专家信息关联关系的卷积神经网络评审专家推荐方法，属于数据处理技术领域。
背景技术
近年来，我国科技项目的申报、立项等活动日益增多，我国各级科技项目和科 技人才管理也陆续实现了信息化***，而专家在评审工作中一直发挥着关键的作用。 为了保证项目评审工作的客观性、公平性以及公正性，评审专家的遴选工作显得尤 为重要。
专家推荐(Expert Recommendation)是基于丰富的专家库信息，利用数据挖掘、机器学习等技术找到与待推荐任务相匹配的找专家。从待推荐任务上看，专家推荐 可以看作是基于内容过滤的个性化推荐中的一种特殊形式。在电子商务领域，推荐 算法和技术的研究比较多，这为专家推荐提供了充分的理论基础。
目前，在推荐方法研究当中，主要提出了以下几种方法，1.分别是基于内容的方法、2.基于协同过滤的方法和3.基于深度学习的方法。在基于内容的方法中，需要通 过挖掘项目和用户的内容特征，利用机器学习方法计算相似度进行推荐。基于内容 的推荐方法依赖于关于用户偏好和项目的特征信息，不需要大量的评分记录，因此 不存在评分数据稀疏的问题。同时对于新项目，只需要进行特征提取就可以向用户 进行推荐，解决了新项目的冷启动问题，但常常会遭遇到特征提取困难的问题。基 于协同过滤的方法主要思想是利用相似用户之间具有相似兴趣偏好的方法，来发现 用户对项目的潜在偏好。协同过滤仅仅需要利用用户的历史评分数据，因此简单有 效。但是，由于用户对项目的评分数据相对项目的总数量非常少，常常遭遇数据稀 疏的问题，此外对于新的用户或项目，由于没有评分数据而无法进行推荐，存在冷 启动问题。深度学习虽然不需要像传统方法一样人工设计特征，但是如何将专家之 间的关联关系融入到深度学习模型中是第二个关键问题。
为了解决上述问题，本发明提出了研究融合专家关联关系的卷积神经网络评审专家推荐方法。
发明内容
本发明提供了融合专家信息关联关系的卷积神经网络评审专家推荐方法，本发明中构建的模型借助评审项目信息和已存在数据库中的专家属性信息的向量表示， 利用卷积神经网络实现对专家和项目之间的匹配度得分计算。特别地，本文在模型 中融入了多名专家之间的信息关联关系，用以提升模型的推荐性能。
本发明的技术方案是：融合专家信息关联关系的卷积神经网络评审专家推荐方法，方法的具体步骤如下：
Step1、收集专家的信息，项目信息，并将两者的信息通过embeding分别转化为 专家信息隐向量和项目信息隐向量；
作为本发明的优选方案，所述步骤Step1中，通过one-hot编码将专家和项目结 构化数据信息表示为计算机可识别和处理的向量表示，通过一层嵌入Embedding层 将其分别映射成稠密的隐向量。
Step2、利用马尔可夫网络的思想，使专家信息之间的关系表示成为专家信息之间的关联关系矩阵；
作为本发明的优选方案，所述步骤Step2中，马尔可夫网络的无向边用来构建专家信息之间的相关性；首先利用专家的部分属性信息来确定专家之间的关联关系， 然后利用专家信息之间的多种不同的关联关系计算专家信息之间的相关性，从而生 成专家信息关联关系矩阵。
作为本发明的优选方案，所述专家信息之间的相关性的计算公式如下：
其中，如果专家信息之间存在这种关系特征，则hm(ei,ej)＝1，否则hm(ei,ej)＝0；其中m表示为第m个特征函数，M表示关联关系特征总数，在本发明中M＝4，λm表 示对应特征函数的权重，表示所有与节点ei相连边的集合，特征函数权重λm， 采用最大似然估计方法对其进行估计；当Sim(ei,ej)的值大于给定的阈值β时，则 认为专家信息ei和专家信息ej是相关的，也即在专家Markov网络中这两个节点之 间存在一条无向边，边的权重为Sim(ei,ej)。
Step3、将Step1中得到的专家信息隐向量与Step2中的专家信息关联关系矩阵合并，组合为专家信息相关性矩阵；
作为本发明的优选方案，所述步骤Step3中，为了充分利用专家的属性信息和专家之间的关联关系解决针对项目评审的专家推荐问题，考虑将专家信息关联关系矩 阵和专家信息向量融合，为下一步的卷积提取专家关联特征做准备。
Step4、将Step3中的专家信息相关性矩阵通过卷积神经网络进行卷积和池化操作，提取多名专家中关系特征隐向量，把输出的隐向量再与Step1中的项目信息隐向 量合并，并将合并后的矩阵向量输入到多层感知机MLP层，学习得到专家对评审项 目的匹配度得分，从而训练出模型。
作为本发明的优选方案，所述步骤Step4中，为充分利用专家的属性信息和专家之间的关联关系解决针对项目评审的多专家推荐问题，利用卷积神经网络从融合了 专家信息的专家相关性矩阵中提取特征。MLP的层的主要工作是对卷积和池化操作 得到的专家信息隐向量与仅通过嵌入(Embedding)层得到的项目信息隐向量合并后 的向量进行softmax操作，从而实现模型对推荐专家的打分。
本发明的有益效果是：
1、本发明在网络中融合了专家信息关联关系矩阵，
2、利用CNN卷积神经网络提取专家信息关系矩阵的特征，这样有助于挖掘专 家之间存在的隐藏关系，从而提高专家推荐的准确性。
3、实验结果表明本发明提出的专家推荐模型在实际任务中取得了较好的效果，相较于不考虑专家关系的方法在推荐效果上有一定的提升。
附图说明
图1为本发明中的总的流程图；
图2为发明中的基于Markov网络的评审专家数据关联关系图；
图3为发明中的卷积神经网络流程图。
具体实施方式
实施例1：如图1-3所示，融合专家信息关联关系的卷积神经网络评审专家推荐 方法，方法的具体步骤如下：
Step1、提取云南省科技厅人才专家管理***中的专家结构化数据信息，需评审的项目结构化数据信息，通过one-hot编码将其转换为二值化的稀疏向量，通过一层 嵌入Embedding层将其分别映射成稠密的隐向量。
Step2、利用马尔可夫网络的思想，使专家信息之间的关系表示成为专家信息之间的关联关系矩阵；
在构建专家信息关联关系矩阵之前，需要利用Markov(马尔可夫)网络，构建 专家之间的关系图，再利用关系图去生成专家关联关系矩阵。从图2中可以看到， 在专家马尔可夫网络中专家信息由节点ej表示，专家信息之间的相关性构成的无向 边，其边的权重取决于专家信息之间的相关性。在专家Markov网络中，需要融合专 家关联关系计算专家之间的相关性。为了融合这些类型的专家信息关联关系，将这 些专家信息关联关系定义为特征函数hm(ei,ej)，并为每个特征函数分配权重λm，利 用对数线性模型融合这些关联特征。假设专家信息之间的相关性用Sim(ei,ej)表示， 其相关性计算公式为：其中，如果专家信息之 间存在这种关系特征,则hm(ei,ej)＝1，否则hm(ei,ej)＝0。其中m表示为第m个特征 函数，M表示关联关系特征总数，在本文中M＝4，λm表示对应特征函数的权重，表示所有与节点ei相连边的集合。特征函数权重λm，采用最大似然估计方法对其 进行估计。当Sim(ei,ej)的值大于给定的阈值β时，则认为专家信息ei和专家信息 ej是相关的，也即在专家Markov网络中这两个节点之间存在一条无向边，边的权重 为Sim(ei,ej)。根据以上方法构建专家关系矩阵。
表1为专家信息关联关系特征
Step3、将Step1中得到的专家信息隐向量与Step2中的专家信息关联关系矩阵合并，组合为专家信息相关性矩阵；
作为本发明的优选方案，所述步骤Step3中，为了充分利用专家的属性信息和专家之间的关联关系解决针对项目评审的专家推荐问题，考虑将专家信息关联关系矩 阵和专家信息向量融合，为下一步的卷积提取专家关联特征做准备。
具体的，项目所对应的n个专家向量则先通过一层Embedding层映射之后，再 垂直连接成一个n×k大小的矩阵，其中k为专家隐向量的维度。后将得到的n×k 大小的矩阵与这n个专家n×n大小的专家信息关联矩阵水平连接组合成新的专家联 合矩阵。
Step4、将Step3中的专家信息相关性矩阵通过卷积神经网络进行卷积和池化操作，提取多名专家中关系特征隐向量，把输出的隐向量再与Step1中的项目信息隐向 量合并，并将合并后的矩阵向量输入到多层感知机MLP层，学习得到专家对评审项 目的匹配度得分，从而训练出模型。
构建过程具体如下：
第一层：输入层：从把从步骤Step1中得到的项目信息向量和步骤Step2中得 到的融合专家关联信息的专家联合矩阵作为输入。
第二层：卷积层，该层的主要工作是利用卷积神经网络从专家联合矩阵中提取 特征。令xi∈Rn表示专家联合矩阵中第i个专家的n维向量，则包含m个专家的矩阵 可表示为：其中，表示连接操作，例如 卷积操作是指利用长度为h的滑动窗口从x1:m截取向量作为 卷积层激活函数的输入，对激活函数进行计算后，得到的输出即为待提取的特征。 如下式所示：ci＝f(W·xi:i+h-1+b)。其中，函数f表示激活函数，本文选择ReLU函数 作为激活函数。W和b表示权值矩阵和偏置单元，为神经网络的参数，可通过对神经 网络进行训练得到。ci表示根据激活函数f和输入向量xi:i+h-1计算出的特征。上述公式 描述的是长度为h的滑动窗口在位置xi:i+h-1上时进行的操作，当滑动窗口从句子的开 头滑到结尾时，可得到一组输入，表示为(x1:h,x2:1+h,...,xm-h+1:m)，进而可以根据该输入 得到一组输出，表示为(c1,c2,...,cm-h+1)，这一组输出称为特征映射。
第三层：max-pooling层，该层的主要目的是对上一层的特征映射进行处理，得 到最终的特征向量。具体来说，是抽取出特征映射中的最大值，这样做的思想是认 为每个特征映射中的最大值代表了该映射中最重要的特征。此外，max-pooling层的 一个主要优点是可以借助于这一层的操作得到一个固定长度的特征向量，而不需要 关心原始输入向量的长度。
第四层：输出层，该层的主要工作是将经过卷积神经网络学习得到的专家信息 隐向量与项目信息隐向量进行连接和学习并输出得分结果。该层是MLP层，使用 Relu函数作为激活函数，并对结果进行softmax处理得到概率。设softmax层类别数 量，即神经元个数为k，则表达式为中，z表示softmax层的输入 向量，W表示softmax层网络的参数，yi表示输出层第i个神经元的输出值，最终输 出的结果为k维向量表示k种类别的概率值。该模型的输出层根据分类任务的类别 数量来决定神经元的数量。为了得到n个专家针对同一项目的得分大小的概率值， 需要在MLP层的最后一层使用n个softmax来输出n个专家对应的得分结果。
此外，为了验证融入专家信息关联关系的有效性，同时鉴于实验研究问题的特殊性，使用不包含专家信息关联关系的矩阵作为模型得输入作为对比实验，该模型记 为M1，将本文提出的融合专家信息关联关系的卷积神经网络推荐模型记为M2。分 别使用相同的训练集训练上述两种模型，并使用相同的测试集分别得到两种不同模 型针对单个项目推荐相同五名专家的平均NDCG值，如下表2中所示，其中K为专 家或项目内容属性表示中每类属性经过Embedding后的大小
表2为对比试验结果
| K | M1 | M2 |
| 8 | 0.931 | 0.934 |
| 16 | 0.935 | 0.945 |
| 32 | 0.942 | 0.948 |
从表2中可以看出，使用专家信息关联关系作为辅助输入的模型取得的效果要 优于不使用专家信息关联关系作为辅助输入的模型。实验结果证明，本文在推荐系 统排序的NDCG指标上取得了较好的效果。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明 宗旨的前提下作出各种变化。
Claims (6)
1.融合专家信息关联关系的卷积神经网络评审专家推荐方法，其特征在于：方法的具体步骤如下：
Step1、收集专家的信息，项目信息，并将两者的信息通过embeding分别转化为专家信息隐向量和项目信息隐向量；
Step2、利用马尔可夫网络的思想，使专家信息之间的关系表示成为专家信息之间的关联关系矩阵；
Step3、将Step1中得到的专家信息隐向量与Step2中的专家信息关联关系矩阵合并，组合为专家信息相关性矩阵；
Step4、将Step3中的专家信息相关性矩阵通过卷积神经网络进行卷积和池化操作，提取多名专家中关系特征隐向量，把输出的隐向量再与Step1中的项目信息隐向量合并，并将合并后的矩阵向量输入到多层感知机MLP层，学习得到专家对评审项目的匹配度得分，从而训练出模型。
2.根据权利要求1所述的融合专家信息关联关系的卷积神经网络评审专家推荐方法，其特征在于：所述步骤Step1中，通过one-hot编码将专家和项目结构化数据信息表示为计算机可识别和处理的向量表示，通过一层嵌入Embedding层将其分别映射成稠密的隐向量。
3.根据权利要求1所述的融合专家信息关联关系的卷积神经网络评审专家推荐方法，其特征在于：所述步骤Step2中，马尔可夫网络的无向边用来构建专家信息之间的相关性；首先利用专家的部分属性信息来确定专家之间的关联关系，然后利用专家信息之间的多种不同的关联关系计算专家信息之间的相关性，从而生成专家信息关联关系矩阵。
4.根据权利要求3所述的融合专家信息关联关系的卷积神经网络评审专家推荐方法，其特征在于：所述专家信息之间的相关性的计算公式如下：
其中，如果专家信息之间存在这种关系特征，则hm(ei,ej)＝1，否则hm(ei,ej)＝0；其中m表示为第m个特征函数，M表示关联关系特征总数，在本发明中M＝4，λm表示对应特征函数的权重，表示所有与节点ei相连边的集合，特征函数权重λm，采用最大似然估计方法对其进行估计；当Sim(ei,ej)的值大于给定的阈值β时，则认为专家信息ei和专家信息ej是相关的，也即在专家Markov网络中这两个节点之间存在一条无向边，边的权重为Sim(ei,ej)。
5.根据权利要求1所述的融合专家信息关联关系的卷积神经网络评审专家推荐方法，其特征在于：所述步骤Step3中，为了充分利用专家的属性信息和专家之间的关联关系解决针对项目评审的专家推荐问题，考虑将专家信息关联关系矩阵和专家信息向量融合，为下一步的卷积提取专家关联特征做准备。
6.根据权利要求1所述的融合专家信息关联关系的卷积神经网络评审专家推荐方法，其特征在于：所述步骤Step4中，为充分利用专家的属性信息和专家之间的关联关系解决针对项目评审的多专家推荐问题，利用卷积神经网络从融合了专家信息的专家相关性矩阵中提取特征，MLP的层的主要工作是对卷积和池化操作得到的专家信息隐向量与仅通过嵌入Embedding层得到的项目信息隐向量合并后的向量进行softmax操作，从而实现模型对推荐专家的打分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910677191.8A CN110442618B (zh) | 2019-07-25 | 2019-07-25 | 融合专家信息关联关系的卷积神经网络评审专家推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910677191.8A CN110442618B (zh) | 2019-07-25 | 2019-07-25 | 融合专家信息关联关系的卷积神经网络评审专家推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110442618A true CN110442618A (zh) | 2019-11-12 |
| CN110442618B CN110442618B (zh) | 2023-04-18 |
Family
ID=68431499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910677191.8A Active CN110442618B (zh) | 2019-07-25 | 2019-07-25 | 融合专家信息关联关系的卷积神经网络评审专家推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110442618B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111782797A (zh) * | 2020-07-13 | 2020-10-16 | 贵州省科技信息中心 | 一种科技项目评审专家自动匹配方法及存储介质 |
| CN112100370A (zh) * | 2020-08-10 | 2020-12-18 | 淮阴工学院 | 一种基于文本卷积和相似度算法的图审专家组合推荐方法 |
| CN113343666A (zh) * | 2021-06-29 | 2021-09-03 | 深圳前海微众银行股份有限公司 | 评分的置信度的确定方法、装置、设备及存储介质 |
| CN113516094A (zh) * | 2021-07-28 | 2021-10-19 | 中国科学院计算技术研究所 | 一种用于为文档匹配评议专家的***以及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103631859A (zh) * | 2013-10-24 | 2014-03-12 | 杭州电子科技大学 | 一种面向科技项目的评审专家智能推荐方法 |
| CN107330115A (zh) * | 2017-07-12 | 2017-11-07 | 广东工业大学 | 一种信息推荐方法及装置 |
| CN108647206A (zh) * | 2018-05-04 | 2018-10-12 | 重庆邮电大学 | 基于混沌粒子群优化cnn网络的中文垃圾邮件识别方法 |
| CN108804689A (zh) * | 2018-06-14 | 2018-11-13 | 合肥工业大学 | 面向问答平台的融合用户隐连接关系的标签推荐方法 |
| CN109062961A (zh) * | 2018-06-27 | 2018-12-21 | 淮阴工学院 | 一种基于知识图谱的专家组合推荐方法 |
| CN109241424A (zh) * | 2018-08-29 | 2019-01-18 | 陕西师范大学 | 一种推荐方法 |
| CN109308315A (zh) * | 2018-10-19 | 2019-02-05 | 南京理工大学 | 一种基于专家领域相似度与关联关系的协同推荐方法 |
| CN109657140A (zh) * | 2018-12-13 | 2019-04-19 | 平安普惠企业管理有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
| US20190138806A1 (en) * | 2017-11-03 | 2019-05-09 | Tata Consultancy Services Limited | Signal analysis systems and methods for features extraction and interpretation thereof |
| CN109902201A (zh) * | 2019-03-08 | 2019-06-18 | 天津理工大学 | 一种基于cnn和bp神经网络的推荐方法 |
-
2019
- 2019-07-25 CN CN201910677191.8A patent/CN110442618B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103631859A (zh) * | 2013-10-24 | 2014-03-12 | 杭州电子科技大学 | 一种面向科技项目的评审专家智能推荐方法 |
| CN107330115A (zh) * | 2017-07-12 | 2017-11-07 | 广东工业大学 | 一种信息推荐方法及装置 |
| US20190138806A1 (en) * | 2017-11-03 | 2019-05-09 | Tata Consultancy Services Limited | Signal analysis systems and methods for features extraction and interpretation thereof |
| CN108647206A (zh) * | 2018-05-04 | 2018-10-12 | 重庆邮电大学 | 基于混沌粒子群优化cnn网络的中文垃圾邮件识别方法 |
| CN108804689A (zh) * | 2018-06-14 | 2018-11-13 | 合肥工业大学 | 面向问答平台的融合用户隐连接关系的标签推荐方法 |
| CN109062961A (zh) * | 2018-06-27 | 2018-12-21 | 淮阴工学院 | 一种基于知识图谱的专家组合推荐方法 |
| CN109241424A (zh) * | 2018-08-29 | 2019-01-18 | 陕西师范大学 | 一种推荐方法 |
| CN109308315A (zh) * | 2018-10-19 | 2019-02-05 | 南京理工大学 | 一种基于专家领域相似度与关联关系的协同推荐方法 |
| CN109657140A (zh) * | 2018-12-13 | 2019-04-19 | 平安普惠企业管理有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
| CN109902201A (zh) * | 2019-03-08 | 2019-06-18 | 天津理工大学 | 一种基于cnn和bp神经网络的推荐方法 |
Non-Patent Citations (4)
| Title |
|---|
| SHENGXIANG GAO ET AL.: "A Method to Review Expert Recommendation Using Topic Relevance and Expert Relationship", 《INTERNATIONAL JOURNAL OF COOPERATIVE INFORMATION SYSTEMS》 * |
| SHENGXIANG GAO ET AL.: "Review Expert Collaborative Recommendation Algorithm Based on Topic Relationship", 《IEEE/CAA JOURNAL OF AUTOMATICA SINICA》 * |
| 何孝胥: "融合关联关系的卷积神经网络项目评审专家推荐方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 余峰 等: "基于主题信息的项目评审专家推荐方法", 《计算机工程》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111782797A (zh) * | 2020-07-13 | 2020-10-16 | 贵州省科技信息中心 | 一种科技项目评审专家自动匹配方法及存储介质 |
| CN112100370A (zh) * | 2020-08-10 | 2020-12-18 | 淮阴工学院 | 一种基于文本卷积和相似度算法的图审专家组合推荐方法 |
| CN112100370B (zh) * | 2020-08-10 | 2023-07-25 | 淮阴工学院 | 一种基于文本卷积和相似度算法的图审专家组合推荐方法 |
| CN113343666A (zh) * | 2021-06-29 | 2021-09-03 | 深圳前海微众银行股份有限公司 | 评分的置信度的确定方法、装置、设备及存储介质 |
| CN113516094A (zh) * | 2021-07-28 | 2021-10-19 | 中国科学院计算技术研究所 | 一种用于为文档匹配评议专家的***以及方法 |
| CN113516094B (zh) * | 2021-07-28 | 2024-03-08 | 中国科学院计算技术研究所 | 一种用于为文档匹配评议专家的***以及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110442618B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110442618A (zh) | 融合专家信息关联关系的卷积神经网络评审专家推荐方法 | |
| CN108492200B (zh) | 一种基于卷积神经网络的用户属性推断方法和装置 | |
| CN111488474B (zh) | 基于增强注意力的细粒度手绘草图图像检索方法 | |
| CN109614614A (zh) | 一种基于自注意力的bilstm-crf产品名称识别方法 | |
| CN113704546B (zh) | 基于空间时序特征的视频自然语言文本检索方法 | |
| CN109299657B (zh) | 基于语义注意力保留机制的群体行为识别方法及装置 | |
| CN107220365A (zh) | 基于协同过滤与关联规则并行处理的精准推荐***及方法 | |
| CN107424161B (zh) | 一种由粗至精的室内场景图像布局估计方法 | |
| CN110599592B (zh) | 一种基于文本的三维室内场景重建方法 | |
| CN111444367B (zh) | 一种基于全局与局部注意力机制的图像标题生成方法 | |
| CN111274398A (zh) | 一种方面级用户产品评论情感分析方法及*** | |
| CN103778227A (zh) | 从检索图像中筛选有用图像的方法 | |
| CN109271539A (zh) | 一种基于深度学习的图像自动标注方法及装置 | |
| CN110390017A (zh) | 基于注意力门控卷积网络的目标情感分析方法及*** | |
| CN111753207B (zh) | 一种基于评论的神经图协同过滤方法 | |
| CN112084373B (zh) | 一种基于图嵌入的多源异构网络用户对齐方法 | |
| CN112016002A (zh) | 融合评论文本层级注意力和时间因素的混合推荐方法 | |
| CN107291936A (zh) | 一种基于视觉特征和征象标签的超图哈希图像检索实现肺结节征象识别的方法 | |
| CN111611367B (zh) | 一种引入外部知识的视觉问答方法 | |
| CN107688870A (zh) | 一种基于文本流输入的深度神经网络的分层因素可视化分析方法及装置 | |
| CN110489593A (zh) | 视频的话题处理方法、装置、电子设备及存储介质 | |
| CN113822340A (zh) | 一种基于注意力机制的图文情感识别方法 | |
| CN112417063A (zh) | 一种基于异构关系网络的相容功能项推荐方法 | |
| CN111506760B (zh) | 一种基于困难感知的深度集成度量图像检索方法 | |
| CN114004220A (zh) | 一种基于cpc-ann的文本情绪原因识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |